Blog sobre educación

Mes: diciembre 2025

La elección de herramientas para el Vibe Coding Educativo

Pódcast del artículo

En este año 2025 ha empezado a consolidarse un enfoque de trabajo que muchos docentes ya practican de manera intuitiva y que recibe un nombre específico: vibe coding educativo. Este concepto no se refiere a una tecnología concreta ni a un lenguaje de programación determinado, sino a una forma de crear recursos digitales y aplicaciones educativas apoyándose en asistentes de inteligencia artificial, priorizando la intención pedagógica, la rapidez de iteración y la coherencia funcional por encima del dominio exhaustivo del código.

El vibe coding educativo parte de una idea sencilla: el docente define qué quiere conseguir, una simulación, una app sencilla, un recurso interactivo, un generador de actividades, y dialoga con la IA para ir construyendo ese artefacto digital de manera progresiva. El código deja de ser un fin en sí mismo y pasa a ser un medio. Esto no elimina la necesidad de comprender lo que se está haciendo, pero sí reduce de forma notable la barrera de entrada y el tiempo necesario para obtener resultados funcionales.

En este contexto, la elección de herramientas adquiere un papel relevante. Conviene aclarar que la selección presentada en esta infografía y en este artículo es una selección personal, centrada de forma intencionada en los grandes chatbots generalistas y sus entornos de trabajo asociados, por ser actualmente los más conocidos y accesibles para el profesorado. Además, esta práctica se apoya cada vez más en comunidades docentes donde se comparten ejemplos reales, dudas y soluciones. Un punto de referencia destacado es el grupo de Telegram Vibe Coding Educativo (https://t.me/vceduca), que reúne a más de 1500 docentes interesados en aplicar este enfoque en el aula. No todas las soluciones sirven para lo mismo, ni todas encajan con el nivel técnico, el tiempo disponible o la infraestructura del centro educativo. La infografía distingue dos grandes categorías: herramientas vía web y herramientas locales, cada una con subtipos claramente diferenciados.

Herramientas vía web

Las herramientas vía web se ejecutan directamente en el navegador, sin necesidad de instalación. Esta característica las convierte en una opción muy adecuada para empezar, para trabajar desde equipos con recursos limitados o para contextos educativos donde no es posible instalar software adicional.

Para prototipado rápido (una página)

Este tipo de herramientas permite generar interfaces visuales, pequeños scripts o recursos interactivos de manera inmediata. Son especialmente útiles para demostraciones rápidas, actividades puntuales o pruebas de concepto en el aula.

Para desarrollo estructurado (multipágina)

Estas herramientas facilitan el diseño de aplicaciones más complejas, con varias vistas, lógica interna y cierta arquitectura de proyecto, manteniendo el acceso desde el navegador.

Herramientas locales (instaladas en tu equipo)

Las herramientas locales requieren instalación previa y aprovechan directamente la potencia del hardware del equipo. A cambio, ofrecen mayor control sobre los archivos, la estructura del proyecto y los procesos de ejecución.

Editores gráficos (IDE)

Proporcionan un entorno visual completo para gestionar proyectos de programación, con acceso a código, recursos y asistentes de IA integrados.

Terminal (CLI)

Permiten interactuar con la línea de comandos para crear, modificar y automatizar proyectos completos mediante instrucciones textuales. CLI significa interfaz de línea de comandos (Command Line Interface).

Otras herramientas y enfoques complementarios

La lista de herramientas no es cerrada ni pretende ser exhaustiva. Existen otras plataformas y entornos que también se utilizan en prácticas cercanas al vibe coding educativo, aunque con enfoques algo distintos. Por ejemplo, Canva (https://www.canva.com/) incorpora funciones de generación asistida que facilitan la creación de recursos interactivos y prototipos visuales sin apenas código, especialmente orientados al diseño educativo. Por su parte, Cursor (https://cursor.sh/) es un editor de código con IA integrada que permite desarrollar aplicaciones completas a partir de instrucciones en lenguaje natural, con un enfoque más cercano al desarrollo profesional.

Estas y otras herramientas muestran que el ecosistema es amplio y diverso, y que cada docente puede encontrar combinaciones distintas en función de sus objetivos, su experiencia previa y el contexto de uso.

Comunidad docente y aprendizaje compartido

El vibe coding educativo se ve reforzado cuando el trabajo individual se complementa con el intercambio colectivo. Espacios como el grupo de Telegram Vibe Coding Educativo (https://t.me/vceduca) permiten conocer experiencias de otros docentes, descubrir nuevas herramientas, resolver problemas técnicos y contrastar enfoques didácticos. Esta dimensión comunitaria facilita una adopción más realista y sostenible del vibe coding en contextos educativos diversos.

Criterios para elegir la herramienta adecuada

El vibe coding educativo no impone una única vía de trabajo. Para actividades rápidas o recursos sencillos, las herramientas vía web suelen ser suficientes. Para proyectos más estables y reutilizables, las herramientas locales ofrecen ventajas claras en términos de control y escalabilidad.

En muchos casos, ambas aproximaciones se combinan de forma natural: se inicia un recurso en la nube, se valida su utilidad didáctica y, si el proyecto crece, se traslada a un entorno local más robusto. Esta flexibilidad es una de las características que hacen del vibe coding educativo una práctica especialmente adecuada para el ámbito escolar.

Quizás también te interese:

Nota: Este artículo tiene nivel 4 en el Marco para la integración de la IA generativa.

Ilustración científica con Gemini. Parte II: Creación de materiales a partir de fotografías propias

Si todavía no lo has hecho, te aconsejamos la lectura de la parte I de este trabajo, que está dedicada a obtener imágenes mediante prompts.

Otra opción que tenemos, en lugar de pedirle a Gemini directamente una imagen o darle una ilustración hecha por otra persona, consiste en proporcionarle una foto hecha por nosotros mismos. Le podemos pedir que nos los convierta en un dibujo a lápiz, un esquema en blanco y negro o cualquier otra alternativa que necesitemos. También le podemos pedir que añada etiquetas u otro texto al dibujo. Esto puede ser especialmente útil para personalizar al máximo nuestros materiales educativos y permite utilizar situaciones y objetos cercanos al alumnado, de su propio entorno, centro educativo o incluso de su clase. Veamos algunos ejemplos:

• Laboratorio y ciencias naturales
Una foto propia del material de disección o de un montaje sencillo puede transformarse en un esquema con etiquetas básicas.

• Física y tecnología
A partir de imágenes tomadas en clase —una polea, una palanca, un circuito montado por los alumnos— es posible obtener un dibujo técnico simple para integrar en ejercicios o guías.

• Matemáticas
Una fotografía de un objeto cotidiano (una escalera, una rampa, una sombra bien definida) puede convertirse en un diagrama geométrico que represente proporciones o ángulos.

• Geología y medio ambiente
Si captamos con el móvil una roca, un estrato o un perfil del terreno, Gemini puede generar un esquema limpio para fichas de identificación o actividades de campo.

• Educación plástica o dibujo técnico
Una foto personal de un objeto tridimensional puede servir para crear una versión en blanco y negro con líneas claras, útil para practicar vistas y proporciones.

Elaboración propia

• Biología

Por último, terminamos con un bello ejemplo donde se le ha pedido un dibujo hecho a lápiz del original, incluyendo las partes del cuerpo.

Conclusiones

Si utilizamos nuestros propios materiales visuales, podemos ser completamente autosuficientes para la creación de medios visuales sin depender del trabajo de otros y de los derechos de autor. Sin embargo, la mayor ventaja que tiene este sistema de trabajo es la personalización total de las imágenes, con lo que llegaremos más fácilmente hasta el alumnado al utilizar su entorno real.

Nota: Este artículo tiene nivel 0 en el Marco para la integración de la IA generativa.

Ilustración científica con Gemini. Parte I: Cómo obtener ilustraciones precisas a partir de prompts e imágenes modelo

Desde que los primeros modelos de IA empezaron a crear imágenes, se ha esperado poder disponer de una forma de ilustrar textos docentes con imágenes realistas de carácter científico y riguroso.

Todos hemos utilizado alguna IA para crear imágenes más o menos decorativas que acompañen el texto, pero es muy diferente hacer que muestren con precisión caracteres morfológicos en biología o representaciones geométricas en los problemas de matemáticas. Hasta hace poco, los modelos generativos tendían a introducir errores anatómicos, simetrías incorrectas, proporciones impropias o detalles inexistentes, lo que dificultaba su uso en materiales educativos que requieren rigor.

Este artículo tiene una fecha de caducidad más bien temprana, ya que los continuos avances en IA harán que pronto deje de estar al día, pero la aparición de Nano Banana Pro de Google, la primera IA capaz de representar con rigor determinados procesos, estructuras o esquemas (aunque con limitaciones), ha motivado su escritura.

Nos limitaremos a este generador de imágenes integrado en el chat de Gemini, ya que es el único que realiza imágenes con una calidad mínima. El resto de chatbots o servicios de imágenes hacen ilustraciones absolutamente inaceptables a nivel académico. La mayoría de las imágenes en este artículo tienen un tamaño pequeño, lo que hemos hecho para optimizar el espacio, pero puedes verlas con más detalle pulsando sobre ellas.

La célula como reto

El dibujo de una célula de forma rigurosa y precisa es todo un desafío para cualquier IA. Actualmente no hay ninguna capaz de hacerla en el primer intento, por lo que es una buena prueba para hacer siempre que aparece una versión nueva de un modelo de creación de imágenes, y es por este motivo por lo que comenzamos con esta estructura.

Con la aparición de Nano Banana Pro, que puede utilizarse en Gemini al activar el modo de razonamiento con imágenes, es la primera vez que se alcanza el nivel de precisión suficiente como para obtener una ilustración apta para la docencia.

Dibujo de la célula

Hemos usado el siguiente prompt en Gemini con el modo de razonamiento y las imágenes activadas:

Hemos seleccionado un par de ejemplos. En el primero hay numerosos errores, que nos invitan a descartarla y a repetir el prompt en un chat nuevo. El segundo, aunque incompleto en un principio, no contiene errores graves, lo que nos anima a intentar solucionar sus fallos.

Ejemplo 1

La imagen tiene demasiados errores para pedir una rectificación, por lo que se descarta.

Ejemplo 2

① En este intento, aunque todo es correcto, faltan los ribosomas y los centriolos.

② Con este prompt la imagen queda sin errores y lista para ser usada en nuestros materiales.

La célula dibujada a partir de un modelo de referencia

El uso de imágenes de referencia puede dar mejores resultados en algunas ocasiones. Gemini tiende a realizar una copia exacta de la imagen que le damos, por lo que deberemos indicar claramente qué cambios queremos.

Para los ejemplos que hay a continuación hemos usado la imagen de Wikipedia de la siguiente célula:

Para los ejemplos, se ha usado el mismo prompt de antes, pero añadiendo esta imagen al chat.

El resultado ha sido el siguiente:

① La imagen de la célula es correcta, pero, aunque ha modificado los colores, no lo ha hecho con la forma, que es idéntica al dibujo original.

② Añadimos este prompt tras la imagen anterior, con lo que se obtiene mejor resultado.

Otros dibujos anatómicos

Seguidamente mostramos otros dibujos que tienen su dificultad, pero que la IA hace con más facilidad.

② Se le tuvo que marcar gráficamente el límite y dar explicaciones detalladas y redundantes, ya que al repetir el dibujo, Gemini incluía la línea roja y seguía colocando mal el límite. Finalmente, este dibujo ya es correcto.

Estas imágenes, cuya temática ha sido elegida de modo aleatorio, son correctas y aptas para docencia. No obstante, vemos que en ningún momento podemos dar por válido lo que hace Gemini ya que los errores aparecen continuamente y, aunque la calidad de las imágenes que genera es muy superior a cualquier otra IA, debemos comprobar siempre si lo que ha hecho puede emplearse en la clase sin comprometer la precisión del contenido.

Una vez realizada una imagen, si comprobamos que contiene inexactitudes, podemos darle una explicación detallada de lo que falla, siempre que sean uno o dos fallos; si son más, lo recomendable es repetir la imagen.

Dibujos geométricos

Gemini no solo puede hacer imágenes anatómicas o morfológicas, sino que también puede interpretar geométricamente enunciados típicos de problemas. Como pasaba con los dibujos anteriores, muy posiblemente debamos guiar a la IA para que los haga correctamente.

Problema 1

Problema 2

① El dibujo es incorrecto, por lo que le damos el triángulo que debe utilizar (un modelo de referencia) para que lo adapte.

② La figura sigue siendo incorrecta, por lo que se le indican claramente los errores.

③ Finalmente, se obtiene la imagen correcta que podremos usar en nuestros materiales educativos.

Otros ejemplos de imágenes creadas con Gemini con calidad docente

Las siguientes ilustraciones han sido creadas con Gemini. Bajo cada una se indica el prompt utilizado.

* El dibujo de la destilación era correcto pero incompleto. Se le dio la primera imagen a ChatGPT para que indicase lo que faltaba, tras lo cual la imagen generada por Gemini fue completa.


Es obligado que revisemos personalmente y con detalle las imágenes generadas para evitar introducir errores en nuestras clases. Es una buena idea pedir también la opinión de otra IA que no sea Gemini, para detectar errores que se nos hayan pasado por alto. Esto lo podemos hacer con ChatGPT o Claude, que interpretan a la perfección las imágenes que se les proporcionan.

Reflexión final

La integración de Nano Banana Pro en Gemini supone el primer avance real para obtener ilustraciones científicas con el rigor que exige la docencia. No obstante, la herramienta dista mucho de ser autónoma; los errores siguen siendo habituales, lo que impide dar por válido cualquier resultado sin un examen previo.

La clave para obtener material útil reside en la supervisión docente y en el guiado de la IA, ya sea mediante la corrección iterativa de fallos o el uso de imágenes de referencia. Asimismo, es una buena práctica apoyarse en modelos externos como ChatGPT o Claude para auditar las imágenes y descartar errores que se nos hayan pasado por alto.

Pasos para la verificación de imágenes

Resumen del flujo de trabajo recomendado para asegurar la calidad didáctica:

  • Generación inicial: Solicitar la imagen especificando el nivel educativo y el estilo (esquema, realismo, blanco y negro).
  • Revisión de exactitud: Comprobar si existen errores anatómicos, de simetría, elementos inventados o ausentes.
  • Corrección guiada:
    • Errores leves: Explicar detalladamente el fallo en el mismo chat.
    • Errores graves o estructurales: Reiniciar el chat o aportar una imagen de modelo (referencia) para guiar la forma.
  • Validación externa: Subir la imagen final a otra IA para que describa lo que ve y confirme la ausencia de errores técnicos antes de su uso en el aula.

Continúa aquí con la parte II: Ilustración científica con Gemini. Parte II: Creación de materiales a partir de fotografías propias.


Nota: Este artículo tiene nivel 1 en el Marco para la integración de la IA generativa, excepto para la «Reflexión final» y los «Pasos para la verificación de imágenes» que tienen nivel 4.

© 2026 Bilateria

Tema por Anders NorenArriba ↑